ANALISIS SPASIAL

Interpolasi Spasial

Siti Hariati Hastuti, S.Stat., M.Si

Program Studi Statistika
Fakultas MIPA, Universitas Hamzanwadi, 2022/2023
MENGAPA INTERPOLASI (PENDUGAAN)
SPASIAL?
• Pendugaan spasial dipergunakan untuk
menduga nilai suatu parameter pada SETIDAKNYA 3 ALASAN:
wilayah yang tidak memiliki data
pengukuran berdasarkan data • Data tidak tersedia di setiap lokasi
pengukuran di wilayah lain.
• Data tidak tersedia setiap saat
• Mengapa diduga?. Mengapa tidak
dilakukan pengukuran? • Mengisi data hilang dan tidak mungkin
dilakukan pengukuran kembali (data
• Pendugaan dilakukan karena pada masa lampau)
keterbatasan sumberdaya (waktu, alat,
dsb)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 2

INTERPOLASI DAN PREDIKSI SPASIAL
• Interpolasi spasial adalah
pendugaan nilai suatu parameter
pada wilayah yang tidak memiliki
data pengukuran menggunakan nilai
parameter yang sama pada lokasi lain
• Umumnya interpolasi spasial
menggunakan data dari lokasi
terdekat
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI
• Prediksi spasial adalah pendugaan
nilai suatu parameter pada wilayah
yang tidak memilik nilai pengukuran
menggunakan nilai parameter lain
wilayah tersebut
• Misalnya pendugaan nilai suhu
dengan menggunakan nilai elevasi
• Prediksi spasial hampir mirip dengan
interpolasi spasial, namun memiliki
perbedaan pada parameter dan
lokasi data dari parameter yang
digunakan tersebut
3
SAMPLING
Bagaimana menentukan Lokasi dan distribusi sampel
sampel?
• Lokasi sampel harus mampu mewakili wilayah kerja.
Hal yang perlu diperhatikan Sampel tersebut harus terdistribusi di wilayah tersebut.
dalam menentukan sampel: Distribusi sampel umumnya mengikuti pola model
distribusi yang disesuaikan dengan kondisi lokasi seperti
1. Lokasi dan distribusi topografi, kemudahan akses, dll
sampel
• Pemilihan model distribusi akan mempengaruhi kualitas
2. Jumlah sampel interpolasi yang dihasilkan
Jumlah sampel
• Idealnya jumlah sampel sesuai dengan jumlah yang
mampu mewakili wilayah namun pada kenyataannya
beberapa factor yang membatasi seperti finansial,
kemudahan akses, alat sampling, dll

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 4

SAMPLING PATTERN
Ada beberapa distribusi sampel:
a) Systematic sampling pattern
b) Random sampling pattern
a) b)
c) Cluster sampling pattern
d) Adaptive sampling pattern

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI c) d) 5

SYSTEMATIC SAMPLING
Kelebihan:
• Mudah dipahami
• Mudah direncanakan
• Lebih objective/mengurangi subyektivitas
Kekurangan:
• Tidak efisien
• Semua lokasi sama
• Sulit diikuti di lapangan
• Memiliki bias

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 6

RANDOM SAMPLING
Kelebihan:
• Bias rendah
• Mampu mengikuti pola permukaan

Kekurangan:
• Random tidak menjelaskan lokasi dengan
jumlah sampel tinggi atau rendah
• Perlu pemahaman lebih tinggi oleh surveyor

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 7

CLUSTER SAMPLING
Kelebihan:
• Sampel lebih terkonsentrasi
• Menghemat biaya

Kekurangan:
• Sangat tergantung pada metode penentuan
cluster, ada kemungkinan data dengan
variabilitas tinggi tidak diwakili

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 8

ADAPTIVE SAMPLING
Kelebihan:
• Lebih efisien, lokasi dengan homogenitas
tinggi memerlukan sampel yang sedikit

Kekurangan:
• Memerlukan informasi awal seperti
variabilitas spasial
• Perlu pemahaman surveyor tentang
variabilitas data

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 9

INTERPOLASI VS EKSTRAPOLASI
• Interpolasi adalah metode untuk
mengestimas data yang berada di
antara ruang dari data-data tersebut

• Ekstrapolasi adalah metode

untuk mengestimasi data di luar
data-data yang ada atau
memprediksi data sesuai trend data
sebelumnya

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 10

INTERPOLASI • Interpolasi spasial memperkirakan data
spasial di lokasi kajian berdasarkan data-
data disekitarnya
• Data bergantung secara spasial
menandakan bahwa nilai yang saling
berdekatan lebih memiliki kemiripan
dibandingkan nilai berjauhan
• Hasil akhir yang ingin dicapai (dalam
interpolasi) mampu merepresentasikan
keadaan real/nyata, sehingga harus
memperkirakan tingkat akurasi metode
yang dipilih

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 11

INTERPOLASI
• Hasil interpolasi suatu data dapat
dikontrol berdasarkan titik-titik
yang digunakan:
• Titik-titik dibatasi berdasarkan jumlah
maksimumnya (maximum number),
akan memilih titik yang terdekat
sampai dengan jumlah maksimum
terpenuhi
• Titik-titik dibatasi berdasarka radius
jarak dari titi-titik tersebut (fixed
radius)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 12

KATEGORI INTERPOLASI

• Deterministik: teknik estimasi data (interpolasi) berdasarkan perhitungan data

itu sendiri atau rumusan/fungsi matematik
• Teknik estimasi data (interpolasi) berdasarkan perhitungan data yang ada di
sekitarnya dan berdasarkan formulasi matematik tertentu
• Tidak sesuai untuk kumpulan data yang tidak memiliki keterkaitan (meaningless)
dan jumlah besar (corrupt data)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 13

KATEGORI INTERPOLASI
• Geostatistik: teknik estimasi data
(interpolasi) berdasarkan analisa statistic
dari data-data yang berada di sekitarnya
• Teknik estimasi data (interpolasi)
berdasarkan metode statistic,
memasukkan hubungan autokorelasi
(autocorrelation) antar data yang dihitung
• Umumnya sesuai untuk data-data
lingkungan (contoh: data hasil sampling);
data-data yang ada hendaknya
didistribusi normal, terkadang data
lingkungan membutuhkan transformasi
(contoh: log nrmal)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 14

 METODE
INTERPOLASI SPASIAL
• Banyak metode yang digunakan untuk
melakukan interpolasi spasial
• Umumnya metode tersebut
mengkombinasikan nilai dan posisi dari
sampel untuk menduga nilai dari lokasi
yang tidak memiliki data ukur
• Fungsi matematis dan jarak umum
digunakan untuk pendugaan
• Termasuk juga sampel, ada yang
menggunakan seluruh sampel atau
sebagian sampel (subset)
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI
• Perlu diperhatikan, perbedaan metode
akan menghasilkan luaran yang berbeda
dalam pendugaan
• Masing-masing metode bersifat
unik artinya akan memberikan hasil
yang optimum berdasarkan
kesesuaiannya dengan karakteristik
wilayah
• Umumnya akurasi dari interpolasi
dipengaruhi oleh metode dan jumlah
sampel
• Akurasi dihitung dengan membandingkan
nilai interpolasi dengan nilai data yang
terukur
• Data terukur yang dimaksud tidak
digunakan dalam membuat interpolasi
15
 Prosedur umum untuk interpolasi lokal:
METODE 1. Sebuah wilayah pencarian (bertetanggaan)
didefinisikan sekitar titik
INTERPOLASI SPASIAL 2. Titik-titik sampel dalam area penelitian
diidentifikasi
• Metode Global
3. Sebuah fungsi matematika yang dipilih
Menggunakan seluruh data untuk melakukan untuk memodelkan variasi lokal antara
interpolasi dan fungsi berlaku untuk seluruh titik-titik
wilayah area
4. Nilai data untuk titik diperkirakan dari
• Metode Lokal fungsi
Menggunakan sedikit data di sekitar lokasi yang Teknik Interpolasi Global
akan diduga nilainya. Metode ini sesuai untuk
medan yang menunjukkan variasi yang • Trend surface
kompleks. Asumsi dari metode ini adalah
autokorelas baik pada skala lokal. Nilai-nilai hasil Teknik Interpolasi Lokal
estimasi lebih bersifat lokal
• Nearest neighbour
• Inverse distance weighting (IDW)
• Splines

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 16

INTERPOLASI GLOBAL:
TREND SURFACE
• Interpolasi global menggunakan
semua titik kontrol yang tersedia. • Untuk melakukan interpolasi pada
permukaan alami yang kompleks maka
• Cukup memadai untuk diterapkan perlu dilakukan dengan menggunakan trend
pada medan yang tidak surface orde yang lebih tinggi
menunjukkan variasi yang
kompleks. • Perhitungan interpolasi dapat dilakukan
dengan menggunakan persamaan berikut :
• Estimasi yang diperoleh lebih 𝑍𝑥𝑦 = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑦 + 𝑏3 𝑥 2 + 𝑏4 𝑥𝑦 +𝑏5 𝑦 2 +
bersifat umum. Contoh 𝑏6 𝑥 3 + 𝑏7 𝑥 2 𝑦 + 𝑏8 𝑥𝑦 2 + 𝑏9 𝑦 2
penggunaan interpolasi global
dengan trend surface orde
pertama (polynomial):
𝑍𝑥𝑦 = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑦
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 17
TOPO DATA SET
Spatial Topographic Data

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 18

TREND SURFACE IN GSTAT
• library(MASS)
• library(raster)
• library(gstat)
• library(sp)

• data(topo)
• class(topo)
• str(topo)
• head(topo)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 19

TREND SURFACE IN GSTAT
• coordinates(topo) <-~ x+y
• plot(topo)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 20

TREND SURFACE IN GSTAT
• x=seq(0,6.3, by=0.1);y=seq(0,6.3, by=0.1)
• topo.grid<-expand.grid(x=x,y=y)
• gridded(topo.grid) <-~x+y
• plot(topo.grid)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 21

TREND SURFACE IN GSTAT
1st-order Trend Surface
#first order trend surface
• x <-gstat(formula=topo$z ~ 1, data=topo,
degree=1)
• kt<-predict(x, newdata=topo.grid)
• spplot(kt[1], contour=TRUE,main="topo
trend surface (1)-gstat")

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 22

TREND SURFACE IN GSTAT
2nd-order Trend Surface
#second order trend surface
• x <-gstat(formula=topo$z~ 1, data=topo,
degree=2)
• kt2 <-predict(x, newdata=topo.grid)
• p1 <-spplot( kt2[1], contour=TRUE,
main="topo trend surface (2)-gstat")
• p1

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 23

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 24
INTERPOLASI LOKAL:
NEAREST NEIGHBOUR
• Nearest neighbour interpolation
dikenal juga dengan istilah
Thiessen Polygon Interpolation,
mendugaa nilai pada lokasi yang
tidak ada data ukur dengan nilai
yang sama dengan nilai yang
terukur pada lokasi terdekat
• Merupakan metode paling
sederhana dengan menggunaka
fungsi kesamaan sederhana
secara matematis
Sampled locations and Thiessen polygons
values
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 25
INTERPOLASI LOKAL:
NEAREST NEIGHBOUR Start: 1)
3
Langkah-langkah: 1
2

1. Draw lines connecting the points

to their nearest neighbors. 5

2. Find the bisectors of each line. 4

3. Connect the bisectors of the

lines and assign the resulting 2) 3)
polygon the value of the center
point

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 26

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 27
THIESSEN POLYGONS
Meuse Data Set
library(sp)
data(meuse)
names(meuse)
summary(meuse)
hist(meuse$zinc)
plot(meuse$x,meuse$y,asp=1)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 28

 THIESSEN POLYGONS
Meuse Data Set
• coordinates(meuse) = ~x + y # convert data to spatial points data frame
• class(meuse)
• data(meuse.grid) # this is gridded data for the meusedata set
• str(meuse.grid)
• coordinates(meuse.grid) = ~x + y # converts to spatial class
• gridded(meuse.grid) <- TRUE

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 29

 THIESSEN POLYGONS
Meuse Data Set
• zn.tp = krige(log(zinc) ~ 1, meuse, meuse.grid, nmax= 1)
#for this search, the neighborhood is set to nmax=1
• image(zn.tp["var1.pred"])
• points(meuse, pch= "+", cex= 0.65)
• cc = coordinates(meuse)

• install.packages("tripack")
• library(tripack)
• plot(voronoi.mosaic(cc[, 1], cc[, 2]), do.points= FALSE,
add = TRUE)
• title("Thiessen (or Voronoi) polygon interpolation of
log(zinc)")

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 30

INTERPOLASI LOKAL:
INVERSE DISTANCE WEIGHTED
(IDW)
• IDW adalah metode pendugaan nilai
data dengan menggunakan nilai data
sampel dan jarak sampel sebagai
bobot
• Bobot diberikan dengan nilai yang
berlawanan (invers) dengan jarak,
artinya semakin dekat jarak maka
semakin bobot akan semakin besar
dan sebaliknya
𝑍𝑖
𝑛
𝑑𝑖𝑗
𝑍𝑗 =
1
𝑛
𝑑𝑖𝑗
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 31
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 32
INVERSE DISTANCE WEIGHTED (IDW)
Topo Data Set
#IDW on Topo data set
• kid <-krige(topo$z ~ 1, topo, topo.grid)
• spplot(kid["var1.pred"], main =
"TopIDW",contour=TRUE)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 33

INTERPOLASI LOKAL:
SPLINES
• Interpolasi splines dapat
dianalogikan dengan pendekatan
interpolasi dengan membuat
“smooth curve” dari beberapa
titik observasi
• Splines merupakan pendekatan
yang fleksibel dan dapat
digunakan baik untuk pola garis
maupun wilayah

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 34

 SPLINE INTERPOLATION
Meuse Data Set
• library(akima)
• data(meuse)
• meuse.zinc<-
data.frame(cbind(meuse$x,meuse$y,meuse$zinc))
• par(mfcol=c(1,1))
• meuse.akim<-interp(meuse.zinc$X1, meuse.zinc$X2,
meuse.zinc$X3)
• image(meuse.akim,,xlab="", ylab="",asp=1)
• contour(meuse.akim,add=TRUE,, levels =
seq(100,2000,200))
• title(main="Bilinear Interpolation (Akima-default)")
• points(meuse.zinc)

ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 35

CHOOSING THE RIGHT INTERPOLATION
• The quality of sample point set can affect choice of interpolation method as well.
If the sample points are poorly distributed or there are few of them, the
surface might not represent the actual terrain very well. If we have too few
sample points, add more sample points in areas where the terrain changes
abruptly or frequently, then try using Kriging.
• The real-world knowledge of the subject matter will initially affect which
interpolation method to use. If it is know that some of the features in surface
exceed the z value, for example, and that IDW will result in a surface that does
not exceed the highest or lowest z value in the sample point set, choose the
Spline method.
• If we know that the splined surface might end up with features that we know
don’t exist because Spline interpolation doesn’t work well with sample points that
are close together and have extreme differences in value, you might decide to try
IDW
ANALISIS SPASIAL | SITI HARIATI HASTUTI, S.STAT., M.SI 36